Chapter Content
A ver, a ver, ¿de qué vamos a hablar hoy? Ah, sí, del capítulo nueve...algo así como... "la vida no es un juego", y cómo las matemáticas, en realidad, son como un residuo de la naturaleza. Es que, a ver, las matemáticas, ¿no?, han estado ahí en la ciencia y la tecnología desde hace muchísimo tiempo. Ya sabes, los antiguos usaban la aritmética para planear la siembra, para el comercio, los impuestos... la geometría para construir cosas. Y los calendarios, ¡uf!, llenos de cálculos para entender cómo se movían las estrellas y todo eso. Hasta la estadística y las teorías económicas se basan en matemáticas. ¡Ojo! Que la teoría de la relatividad de Einstein, o la mecánica cuántica...¡matemáticas puras! Y las primeras computadoras, ni te cuento, pura teoría matemática de la computación.
Hoy en día, la gente suele pensar que las matemáticas son la ciencia más pura que hay. Como... la forma en que hacemos que la ciencia sea más seria, ¿no? Que cuanto más preciso y matemático uno puede ser con sus teorías, más meticuloso y cuidadoso es con su razonamiento. Como si las matemáticas fueran el lenguaje de la naturaleza, porque, supuestamente, muchos sistemas naturales muestran las mismas simetrías y estructuras que vemos en las matemáticas.
Pero, a ver, la verdad es que cuando se aplican las matemáticas, su éxito se ve más que nada en situaciones que no son naturales, ¿me entiendes? Por ejemplo, el póker. Las matemáticas te pueden ayudar a ganar más partidas, porque te ayudan a tomar decisiones con probabilidades y estrategias matemáticas. Pero, a ver, el póker no es la vida real, ¿no? Tiene reglas fijas, muy claras. Si te sales de esas reglas, ya no estás jugando bien. Es un juego, no es la vida.
Si ese ejemplo te parece un poco rebuscado, piensa en la optimización de rutas. Intentar encontrar la mejor ruta entre un montón de posibilidades, que es algo para lo que las matemáticas sirven mucho. Es un problema super complicado, pero parece mucho más realista que el póker. Porque, al fin y al cabo, los humanos siempre hemos necesitado orientarnos. Pero... incluso eso es un poco artificial. En la naturaleza no hay rutas, ¿no? El bosque está lleno de plantas, árboles, ramas, hojarasca...pero no hay rutas. Las rutas las hacemos nosotros, los caminos, las carreteras... Son un producto de cómo funciona el mundo moderno.
Sí, vale, tanto el póker como la optimización de rutas tienen sus equivalentes en la vida real, como negociar el precio de un coche o encontrar el camino más rápido al trabajo. Pero, incluso así, siguen siendo situaciones bastante artificiales. Comprar un coche pasa dentro de unas reglas y convenciones sociales muy marcadas, ¿no? No hay mucho margen de maniobra. A ver, sí, a veces sale alguna pequeña ventaja y la aprovechas. Pero compara eso con encontrarte un oso en el bosque. Ahí no hay reglas, solo el instinto de reconocer patrones y tomar decisiones rápidas, basadas en las emociones. Pero eso no quiere decir que no haya negociación, ¿eh? Hay que tener en cuenta la posición del oso, sus intenciones, si es una amenaza... Valorar el peligro, su comportamiento... No pensamos en ello como una negociación, porque pasa todo muy rápido, y no vemos la información en plan "matemática", pero vamos, que la usamos.
El camino más rápido al trabajo se puede encontrar con matemáticas, pero solo porque conducimos en un entorno con forma de cuadrícula, con reglas muy claras. Es que, las matemáticas se aplican a muchas cosas de la vida moderna, porque muchas de nuestras circunstancias se han convertido en juegos. Y cuando algo es un juego, tiene piezas que se ven claramente y se pueden explicar. Y esa sencillez es lo que permite que las matemáticas se enganchen a esas partes del sistema.
Pero cuando nos alejamos de los juegos y nos movemos a entornos más naturales, perdemos esa capacidad de "enganchar" las matemáticas. Lo que era claro, transparente y controlable, se vuelve borroso en la complejidad. Y ahí, las matemáticas pierden su agarre sobre los sistemas que pretenden describir. Y esto, normalmente, se achaca a que son solo aproximaciones, pero... la complejidad no es solo una versión "superpotenciada" de los sistemas deterministas, es algo totalmente diferente. Por mucho que sepas de matemáticas, no te van a ayudar a negociar con un oso, ni a encontrar el camino en un bosque denso y virgen.
Claro, alguien podría decir... "¡Eh! Pero es que nuestras vidas están llenas de juegos modernos. No nos encontramos osos, ni tenemos que abrirnos paso a machetazos por la selva para ir a trabajar". Pero la era de la complejidad pone en duda todo eso. Vale, sí, nuestra sociedad se basa cada vez más en reglas tipo "juego", que se adaptan muy bien a las matemáticas. Pero la cosa cambia muchísimo cuando la complejidad se convierte en la forma en que funciona todo.
Ya no solo no buscamos construir máquinas simples, sino que además nuestra forma de entender la naturaleza tiene que tener en cuenta cómo funciona la complejidad. Y, ojo, que la complejidad no es una parte marginal de la ciencia, ¡es todo! Nuestras teorías sobre la naturaleza, nuestras definiciones de conocimiento y habilidad, y nuestra forma de usar el pensamiento heurístico, son lo que realmente importa ahora. Y esto hace que usar las matemáticas para describir la naturaleza sea cada vez más problemático, porque nos estamos dando cuenta de que la complejidad no se puede ignorar.
Pero, a ver, tampoco todas las matemáticas son super precisas y deterministas. La probabilidad se eleva por encima de las predicciones exactas y los cálculos, e intenta tener en cuenta la incertidumbre y el azar en el mundo real. Con la probabilidad, tenemos un marco para cuantificar y razonar sobre situaciones impredecibles.
Pero... la probabilidad también tiene ese problema de "enganche". En cualquier evaluación probabilística, siempre hay una comparación entre dos cosas. Por ejemplo, si quieres calcular la probabilidad de sacar un as de una baraja de cartas, primero tienes que saber el número total de resultados posibles, y luego identificar el número de resultados favorables. Y divides el número de resultados favorables entre el número de resultados posibles. Así, la probabilidad de sacar un as (que hay 4 en una baraja) de una baraja de 52 cartas, es 4/52 (0,077). Y la única razón por la que podemos calcular esa probabilidad es porque podemos aplicar nuestro marco probabilístico a un juego.
Vale, sí, hay métodos más avanzados en probabilidad que calcular simples proporciones, pero todos hacen algún tipo de comparación. Usar la probabilidad significa que siempre hay una comparación implícita entre la probabilidad de que algo ocurra y la probabilidad de que no ocurra.
Pero una baraja de cartas es una cosa, ¿pero cómo haces esa comparación en la naturaleza? Imposible. El numerador sería el número de veces que ocurre algo, y el denominador el número total de eventos que podrían ocurrir. ¿Pero cómo se calcula eso? A ver, podrías hacer una estimación razonable del numerador, ¿pero el denominador? ¡Imposible! No hay forma de saber el número total de eventos que podrían ocurrir, porque es virtualmente infinito en entornos naturales.
Si todo esto de las proporciones te parece demasiado simplista para describir la esencia de la probabilidad, podemos hablar de las distribuciones. Cuando vemos una distribución de probabilidad dibujada en una gráfica, estamos visualizando los valores de una función matemática, que representa la probabilidad de cada resultado posible de una variable aleatoria (una cantidad desconocida o cambiante, cuyos valores se basan en los resultados de un fenómeno aleatorio). O sea, los resultados que producen las cosas naturales.
Las distribuciones de probabilidad las usan las aseguradoras para valorar riesgos y calcular primas, en modelos financieros para gestionar riesgos, para controlar la calidad, para monitorizar y mejorar los estándares de los productos, en la investigación médica, en estudios epidemiológicos y ensayos clínicos para analizar datos relacionados con la salud, para predecir el tiempo y la demanda de la cadena de suministro, para optimizar el inventario, y en la IA, a través de sus métodos estadísticos y algoritmos de aprendizaje automático.
Pero si la probabilidad es tan limitada para reflejar situaciones naturales, ¿por qué se usa tanto? Pues, porque todo lo que he dicho antes funciona bajo las reglas y convenciones sociales del mundo que hemos creado.
La probabilidad surgió de los juegos de azar, y eso tiene sentido. A ver, que el origen de algo no invalida su uso, ¿eh?, pero sí que nos muestra cómo se imaginó la probabilidad al principio, como una herramienta para tomar decisiones en juegos de azar. Es poco probable que la probabilidad se hubiera descubierto en un entorno natural. Y eso no quiere decir que el azar no juegue ningún papel en el mundo real, solo que la versión del azar que tiene la naturaleza no sigue las reglas simplistas de un marco creado por humanos.
Solo los juegos son lo suficientemente limitados como para calcular un número que nos diga la probabilidad de que algo ocurra. Y eso significa que las matemáticas, incluidas sus versiones probabilísticas, están muy desconectadas de lo que es la naturaleza y de cómo funciona. Si operamos en entornos limitados, las matemáticas son una herramienta excelente para tomar decisiones y describir procesos internos. Pero si nos movemos al mundo real de la complejidad, las matemáticas pierden su control sobre cómo funcionan las cosas. Y esto no amenaza al campo de las matemáticas puras, que solo se preocupa por conceptos abstractos y consecuencias teóricas. Pero cuando se trata de aplicar las matemáticas, incluyendo su uso en teorías físicas fundamentales, esto sugiere un límite profundo a su validez.
Cuando las cosas que construimos son sencillas, las matemáticas aplicadas son muy relevantes para nuestros desafíos, y nos ofrecen una forma rigurosa de razonar sobre el diseño de nuestros sistemas. Pero cuando entramos en una era de crear cosas realmente complejas, la idea de que las matemáticas son donde encontraremos el rigor es, cuanto menos, sospechosa.
Mucha gente se da cuenta de esa desconexión entre las matemáticas y la realidad. La mayoría de los estudiantes se quejan de que las matemáticas no les sirven para nada en la vida. Y normalmente se ignora esa queja, con la excusa de que las matemáticas, aunque no sean directamente aplicables, nos dan una mejor forma de pensar. Y eso puede que fuera cierto durante la Ilustración y la Revolución Industrial, pero no se sostiene cuando lo que construimos es realmente complejo. De hecho, si somos sinceros, las matemáticas nos pueden llevar a pensar de forma incorrecta, como demuestra el ejemplo de la proporción que hemos visto antes.
Y no son solo los estudiantes los que se dan cuenta de que las matemáticas no sirven mucho en el mundo real. Si nos fijamos en los que usan las matemáticas en la bolsa, vemos que tienen ventaja los que tienen recursos para aprovechar las diferencias entre los precios de los activos, o alguna otra forma de asimetría informativa. Pero esas ventajas son sutiles, y solo sirven a los que ya han tenido en cuenta otras cosas más fundamentales. Si las matemáticas fueran tan formidables, mucha más gente se estaría forrando en la bolsa. Y lo mismo pasa con las apuestas deportivas. Puede que haya alguna pequeña ventaja para los que buscan obtener beneficios de forma repetible, pero no es suficiente para beneficiar a la mayoría de la gente. Y todo esto, sin tener en cuenta el sesgo de supervivencia.
La idea de que las matemáticas y la probabilidad se aplican al mundo real viene de una época en la que sí lo hacían. Pero no es la época a la que estamos entrando. Conseguir un pequeño beneficio en el mercado o en una apuesta deportiva es una cosa, ¿pero qué pasa con la creación de cosas realmente complejas?
El argumento de que nuestro mundo moderno hace que los cálculos tipo "juego" sean útiles está empezando a perder fuerza. El conocimiento relacionado con la ciencia, la tecnología, la ingeniería y las matemáticas necesita una revisión a fondo para seguir siendo relevante ante la complejidad. A medida que seguimos elevando el nivel de abstracción física en las cosas que construimos, nos alejamos del conocimiento profundo, y nos acercamos a cosas que se pueden resolver por ensayo y error, con heurísticas y reconocimiento de patrones.
Y ojo, que esto no es un argumento contra las matemáticas, sino más bien contra la forma en que se aplican actualmente. Las matemáticas tienen más que ver con la abstracción que con el cálculo, y la abstracción es de lo que trata la complejidad. No solo desde el punto de vista de la información, sino también desde el físico. Pero las matemáticas se usan, sobre todo, en un sentido causal, como si hablaran del funcionamiento interno de los sistemas que creamos. Y ese enfoque no se va a poder sostener en la era de la complejidad.
A menudo nos dicen que la IA es posible gracias a las matemáticas. A fin de cuentas, el aprendizaje profundo usa un montón de métodos del álgebra lineal, como operaciones con matrices, espacios vectoriales, autovalores y autovectores, etc. También usa cálculo diferencial con sus gradientes y derivadas, cálculo integral y optimización. Y luego están las distribuciones, las expectativas y las varianzas de la probabilidad, la estadística bayesiana, las cadenas de Markov, la teoría de grafos, la combinatoria, y así sucesivamente. Y a uno le perdonarías que pensara que la IA es la aplicación de las matemáticas a la informática. Parece una historia de éxito de las matemáticas aplicadas.
En cierto sentido, es verdad, pero es muy engañoso. Las matemáticas se usan para construir la estructura de los sistemas de IA, pero no son, ni de lejos, lo que hace que la IA funcione. La IA funciona por propiedades emergentes que no se han diseñado en el sistema. Las matemáticas son como las hormigas individuales de una colonia. Cada hormiga tiene características importantes, pero las hormigas individuales no resuelven problemas difíciles, lo hace la colonia de hormigas. Es la liberación de incontables "hormigas" lo que permite que la esencia de la IA se materialice y calcule los resultados necesarios. Las matemáticas son la forma en que construimos las piezas individuales del proceso de alto nivel que necesitamos llevar a cabo: ensayo y error combinado con heurísticas. Y después de eso, los sistemas convergen de formas que no podemos entender en el sentido determinista y causal.
Para poder poner en marcha la estructura que garantiza que el ensayo y error se produzca dentro del software, los ingenieros de IA necesitan una forma de calcular cosas como distancias, tasas y mezclas. La IA usa cálculos de distancia cuando intenta cerrar la brecha entre la mejor estimación del modelo y las cantidades o etiquetas reales. La IA usa tasas cuando aprovecha el cálculo para calcular los valores de los parámetros. La IA usa mezclas cuando multiplica matrices grandes para transformar los datos. Está claro que las matemáticas se están usando en los sistemas de IA actuales. Pero no porque las matemáticas estén accediendo a la esencia de cómo los sistemas complejos producen sus resultados, sino porque las matemáticas son la única forma que tenemos de codificar las distancias, las tasas y las mezclas en la máquina.
Las matemáticas nos dan una forma de definir las distancias, las tasas y las mezclas de forma computacional. Pero los conceptos de distancias, tasas y mezclas no pertenecen a las matemáticas, sino que son aspectos necesarios de cualquier proceso que busque proceder por ensayo y error y heurísticas de alto nivel. Puede que haya formas mucho mejores de llevar a cabo la distancia, las tasas y las mezclas que cualquier cosa que las matemáticas puedan expresar o capturar, pero por ahora, las matemáticas son todo lo que tenemos. Los vectores y las matrices de las matemáticas son útiles, pero no hay ninguna razón para creer que su existencia (potencialmente platónica) sea la forma en que opera la naturaleza.
No son las matemáticas lo que hace que la IA funcione, son los conceptos que se encuentran en el corazón del ensayo y error y el uso de heurísticas. Las matemáticas deben entenderse como nada más que un residuo de lo que ocurre en la naturaleza, no como una explicación definitiva de su funcionamiento interno.
Pero el paradigma científico y de ingeniería actual está empapado en la idea de que las matemáticas son la forma en que funcionan las cosas complejas. Vemos esta mentalidad en la incomodidad que tienen los científicos e ingenieros de hoy en día con la "alquimia" de la IA. A muchos en el círculo científico y de ingeniería les duele que la IA parezca más un arte que una ciencia. Los sistemas de IA se mejoran, no a través de un diseño cuidadoso o un razonamiento causal profundo, sino mezclando y combinando a alto nivel, añadiendo más datos y potencia de procesamiento para lograr resultados. Todo suena muy poco riguroso.
Y es esa lucha contra la alquimia de la investigación en IA lo que es el problema. Los investigadores de IA de hoy en día quieren encontrar una descripción más rigurosa de cómo funciona la IA internamente. Pero no hay nada que encontrar. Sabemos cómo funciona la IA, siempre y cuando nos alejemos de la versión causal de cómo. Solo el conocimiento superficial relacionado con la información, la computación y la evolución puede describir lo que está haciendo la IA. El ejercicio académico de meterse en los sistemas y encontrar una historia determinista contada por una elegante teoría matemática es falso bajo la complejidad. Las matemáticas no son cómo funciona la IA, son cómo se configura la IA.
El hecho de que las matemáticas no sean más que un residuo de la realidad habla de la naturaleza de cómo debemos construir las cosas complejas. Tenemos que replantear nuestra comprensión de lo que representan las matemáticas. No son algo que pueda describir cómo funciona algo complejo internamente, ni pueden guiarnos sobre cómo construir soluciones complejas. Nunca habrá una teoría matemática adecuada sobre cómo funcionan las entrañas de las cosas complejas. Las matemáticas, en el mejor de los casos, son una herramienta útil para programar los tipos de andamios computacionales necesarios para garantizar que el ensayo y error se produzca en una máquina.
Esto cambia drásticamente la forma en que pensamos sobre las matemáticas aplicadas, y más ampliamente (y lo que es más importante) sobre lo que significa aportar rigor a la ciencia y la ingeniería. Las matemáticas no son un lenguaje universal con el que podemos entender el universo, sino un marco para crear y pensar en constructos computacionales que configuran sistemas, pero no gobiernan su funcionamiento.
A ver, la naturaleza usa la distribución completa...
A pesar de que las matemáticas y la probabilidad están inherentemente desconectadas de cómo funciona la complejidad internamente, la probabilidad sí ofrece una herramienta analógica útil. Podemos pensar en los fenómenos de la naturaleza como si produjeran sus resultados de acuerdo con un rango de valores posibles. Y eso es lo que intentan capturar las distribuciones de probabilidad.
La mayoría de las distribuciones de probabilidad tienen picos, que es donde se concentran más los valores. Y eso significa que el pico o los picos son el conjunto de valores que es más probable que observemos. Es más probable que observemos esos valores porque ocurren con mayor frecuencia. Si tiramos un dado de seis caras que no esté trucado una y otra vez, esperamos que cada número aparezca más o menos el mismo número de veces, lo que produce una distribución uniforme (una línea plana). Pero si trucamos el dado para que caiga sobre todo en el número 6, aparecerá un pico en la distribución de valores, que nos mostrará que el 6 es un resultado más probable.
Podemos conectar el concepto de distribuciones con picos con la entropía y la realizabilidad múltiple. El pico de una distribución representa la configuración estadísticamente más probable. Y así es como la entropía asigna una disposición de piezas a un estado macroscópico dado. Son las disposiciones que ocurren con más frecuencia las que nos llevan a lo que podemos esperar ver. En consonancia con esto está el concepto de realizabilidad múltiple que, como recordarás, significa que las propiedades más invariables en los sistemas complejos se pueden alcanzar de la mayor cantidad de maneras posibles. Dado que el pico de una distribución es lo que esperamos ver y se corresponde con el mecanismo por el cual la entropía aterriza en estructuras y comportamientos invariantes, podemos pensar en el pico de una distribución de probabilidad como una estructura o comportamiento emergente.
Una conclusión fundamental de todo esto es que el pico no es nada sin el resto de la distribución. El pico nos muestra lo que debemos esperar, ya que representa las configuraciones microscópicas estadísticamente más probables del sistema. Pero eso no significa que las otras configuraciones no sean relevantes. Todo lo contrario, estas configuraciones menos probables juegan un papel fundamental en la configuración de la distribución general. Más concretamente, las configuraciones más probables no existirían si no estuvieran presentes todas las demás configuraciones. Sin estas configuraciones menos probables, las propiedades estadísticas del sistema dejarían de existir.
¿Por qué es esto relevante y qué tiene que ver con la construcción de cosas en la era de la complejidad? Nos muestra que la naturaleza debe estar utilizando toda la distribución para que la complejidad funcione. Y esto tiene importantes consecuencias para la falacia en la ciencia moderna de intentar entender las cosas a través del aislamiento. Nos muestra que el reduccionismo, en todas sus manifestaciones, debe ser fundamentalmente erróneo, porque está inherentemente desconectado de lo que observamos, medimos y experimentamos.
No hay nada "riguroso" o "científico" en separar las cosas en el intento de hacer ingeniería inversa de la naturaleza. Y esto es tan cierto científicamente como para las cosas que construimos. Y ya hablaré más de estas consecuencias más adelante. Por ahora, entiende que el aislamiento que hace el reduccionismo ni siquiera se sostiene con los principios matemáticos y científicos que supuestamente adora el paradigma actual.
No ejecutes el cálculo...
Hay dos maneras en que podemos usar las matemáticas para tomar una decisión. Podemos ejecutar el cálculo y vivir según los resultados, o podemos entender las propiedades universales de las que hablan las matemáticas. Para lo primero, considera cómo se aplican las matemáticas y la probabilidad en la actualidad. En las inversiones, calculamos el rendimiento esperado y el riesgo en las inversiones. En la contabilidad calculamos los resultados relacionados con la elaboración de presupuestos y la planificación financiera. En ingeniería simulamos y analizamos el comportamiento de las estructuras en diferentes condiciones, analizamos y manipulamos señales y estudiamos la estabilidad y el rendimiento de varios sistemas de control. En ciencia simulamos fenómenos físicos y predecimos resultados experimentales. En todos estos casos, el uso de las matemáticas consiste en ejecutar cálculos para obtener algún resultado.
Pero la otra cara de las matemáticas está relacionada con sus propiedades, no con sus cálculos. Como ya he comentado antes, una propiedad es un aspecto descriptivo de un objeto o fenómeno. Una propiedad responde a cómo es un objeto, no a cómo produce sus resultados. Las matemáticas están llenas de propiedades importantes que nos muestran cómo se comporta un sistema formal y las restricciones a las que se adhiere. Si se tratan como su propio fenómeno, las matemáticas pueden dilucidar propiedades importantes y universales de los sistemas. Paradójicamente, esto es más cierto para las matemáticas puras que para las matemáticas aplicadas. Las matemáticas puras estudian patrones dentro de las propias matemáticas y no intentan alcanzar fenómenos físicos para describir lo que está sucediendo, ni intentan hacer recuentos o predicciones específicas. Las matemáticas puras sufren menos por su desconexión con la realidad, porque no están tratando de descubrir nada más que sus propios resultados internos. Y esto podría hacer que las matemáticas puras sean más relevantes para la construcción de cosas complejas que las matemáticas aplicadas actuales.
A pesar de ser un mero residuo de la realidad, no es necesario deshacerse de las matemáticas. Ya he demostrado cómo la comprensión conceptual de las distribuciones de probabilidad es un potente aliado para enmarcar cómo funciona la naturaleza. Pero esto es muy diferente a ejecutar un cálculo y ver lo que sale. Ejecutar un cálculo para conocer el resultado de una situación compleja sugiere que las matemáticas pueden decirnos algo que no pueden. Pero apreciar las propiedades de las matemáticas puede arrojar luz sobre los sistemas, porque las matemáticas son en sí mismas un sistema. Un ejemplo sencillo es apreciar lo que dice la probabilidad sobre la compensación entre riesgo y rendimiento, en lugar de intentar calcular un valor de riesgo real. Lo primero es un patrón que habla de la dinámica de la información, mientras que lo segundo actúa como si las propias matemáticas reflejaran el funcionamiento interno del sistema de interés.
La toma de decisiones bajo la complejidad debe aprovechar las propiedades de las matemáticas y la probabilidad, no sus cálculos. Los cálculos imponen el determinismo a los sistemas. Cambia el marco de la toma de decisiones de uno que utiliza comportamientos generales a uno que pretende saber lo que harán los sistemas específicamente. Lo primero es una herramienta poderosa para tomar decisiones, lo segundo es una herramienta peligrosa e ingenua.
Las matemáticas son un residuo de la naturaleza, pero son un sistema digno de estudio, porque pueden decirnos propiedades que son universalmente verdaderas. Podemos basar las decisiones en las matemáticas, emparejando sus propiedades inherentes, no sus cálculos, con las premisas de nuestros argumentos racionales. Más allá de esto, como comentaré en breve, resulta que las matemáticas pueden ser algo más que una descripción de patrones. De hecho, pueden crear cosas.
Gamificación y diseño...
Existe una relación directa entre la gamificación de la vida y la noción de diseño. Cuando suponemos que el mundo puede modelarse como juegos, trasladamos esos modelos a los diseños de nuestros sistemas del mundo real. Suponemos que la causalidad visible dentro de los juegos también debe estar ahí en las situaciones complejas, y que el control específico sobre los elementos internos puede seguir funcionando eficazmente.
Pero el mundo real no es una extensión desordenada de lo que vemos en los juegos. Por eso, tomar lo que se encuentra en los modelos simplistas de la academia y aplicarlo a la vida real es tan profundamente problemático. Como ya he comentado antes, la naturaleza no está haciendo lo que hacen los sistemas simples, ni literal ni como una aproximación.
Para el paradigma científico y de ingeniería actual, la idea de no basarse en el conocimiento causal interno suena poco práctica. ¿Dónde están las mejores prácticas? ¿Los patrones de diseño? ¿Los estándares de la industria? ¿Se supone que debemos simplemente experimentar y esperar lo mejor? Pero la realidad es que esta "experimentación" es mucho más rigurosa que cualquier cosa que el paradigma reduccionista actual pueda ofrecer. Cuando observamos cómo se hacen manejables los problemas genuinamente difíciles, queda claro que la acción ingenua y el reconocimiento de patrones son, de hecho, la forma más eficiente y eficaz de construir cosas complejas. Lo que hace que el ensayo y error sea más manejable, incluso para los humanos, es operar al nivel más alto de meta, para no encontrarse con limitaciones computacionales insuperables. Al mantener las declaraciones de los problemas lo más generales posible y crear elementos internos muy flexibles, la experimentación se convierte en un medio mucho más eficaz para construir soluciones.
La mayoría de los ingenieros de hoy en día tendrían dificultades para entender cómo se podría hacer la IA sin diseño. Al igual que todas las generaciones anteriores, toman su punto de partida actual e intentan diseñar el siguiente nivel de abstracción. Imagina a un ingeniero que está trabajando en la mejora de una nueva estructura de memoria, algo así como la matriz o el tensor que se utiliza hoy en día. Recurrirían a los principios de diseño y a los estándares de la industria para estructurar su creación. En este caso, el ingeniero está trabajando en un solo componente del sistema general, y esta pieza en sí misma es esencialmente determinista.
Pero el papel que juega la estructura de memoria ya no se puede asumir. Lo diré de nuevo: saber que algo juega un papel y saber cuál es ese papel son dos cosas muy diferentes. El llamado papel de una estructura de memoria pierde significado dentro de un objeto complejo que utiliza la distribución completa. La estructura de memoria correcta será la que emerja, cuando se considere dentro del contexto de todo el sistema de IA. Y la única forma de que la estructura de memoria correcta emerja es construirla desde el exterior, en lugar de preocuparse por el diseño específico de un componente aislado mejor. Los elementos internos de lo que construimos deben ser flexibles, no específicos. No nos corresponde a nosotros saber cómo debe ser la estructura de memoria, solo que su emergencia es parte de una imagen más grande.
El diseño es un subproducto de la gamificación de la vida. Ha funcionado bien para casi todo lo que hemos construido a lo largo de nuestra historia, porque nuestro mundo ha sido formado en torno a las reglas y convenciones estructuradas de las máquinas simples. Pero la complejidad acerca los comportamientos que se encuentran en la vida real a la forma en que construimos las cosas. El diseño, al igual que los juegos, no puede hacer que la vida sea manejable.
La crisis de reproducibilidad, que no es tan sorprendente...
Cada vez hay más conciencia de lo irreproducible que es gran parte de la ciencia. Y esto, obviamente, pone en duda la fiabilidad de los resultados originales publicados en las revistas científicas. Al fin y al cabo, si no podemos reproducir lo que un científico dice haber encontrado, ¿cómo podemos confiar en que alguna vez se encontró algo?
Se sabe que la crisis de reproducibilidad es peor para las ciencias blandas. La psicología se ha visto empañada por problemas de reproducibilidad desde su inicio. El hecho de que las ciencias blandas sean más susceptibles a la irreproducibilidad no es sorprendente. Mientras que un campo como la física mide las cosas en comparación con sistemas simples, campos como la psicología intentan medir y explicar la mente, que proviene de lo más complejo de todo, el cerebro humano. Una cosa es que varios científicos midan la misma frecuencia de luz emitida por un átomo, pero intenta que muchos científicos midan la misma emoción, sea lo que sea que eso signifique.
Por supuesto, esto no impide que los psicólogos intenten hacer de su campo algo parecido a la física, con sus definiciones precisas y explicaciones causales. No basta con señalar los atributos de la ansiedad en los individuos. Para ser considerado un "científico de verdad", los psicólogos deben establecer una conexión causal entre la ansiedad y alguna definición de pensamiento distorsionado. Hay que identificar un conjunto de causas raíz y reconstruir una historia para mostrar el camino desde la fuente hasta el resultado.
Y es esta envidia a la física en las ciencias blandas lo que conduce a su versión de la crisis de reproducibilidad, ya que se intenta medir cosas que están mal definidas. Un científico del comportamiento intentará demostrar que el comportamiento humano tiene una causa raíz. Podría medir alguna actividad en una región determinada del cerebro mientras alguien está aparentemente exhibiendo el comportamiento, en un esfuerzo por explicar los mecanismos neuronales que subyacen al comportamiento. Pero la noción de que el comportamiento humano tiene causas raíz es en gran medida una ficción, ya que no es así como los objetos complejos producen sus resultados. A esto hay que añadir el reto de saber que alguien está realmente exhibiendo un comportamiento específico.
Independientemente del campo, la irreproducibilidad suele achacarse a una mala técnica científica. El diseño experimental defectuoso, las metodologías inconsistentes o mal definidas, la mala aplicación de métodos estadísticos, la mala gestión y el mal informe de los datos, las diferencias en la calibración de los equipos y una serie de sesgos cognitivos se consideran culpables de la crisis de reproducibilidad.
Pero la verdadera fuente de la irreproducibilidad es la falta de determinismo en la naturaleza. Si bien la reproducibilidad se considera importante para una investigación de calidad, es totalmente irreal para cualquier cosa que no sean los sistemas más simples. La ciencia reduccionista ha optado por definir el conocimiento en términos de aislamiento y extracción. Se espera que controlemos las variables, que separemos y limitemos las regiones de interés y que midamos cosas muy específicas. Pero no es así como funciona la naturaleza. La naturaleza no tiene causas raíz ni vías deterministas. No hay razón para esperar la reproducibilidad en la naturaleza porque, según la realizabilidad múltiple, no hay razón para pensar que la naturaleza toma el mismo camino dos veces.
Imagina dos postes de metal que sobresalen del suelo, separados unos cuatro pies. Ahora imagina que te digo que te coloques a unos pocos pies de distancia y que lances un frisbee entre los postes, sin que el frisbee toque los postes. Esto es fácil. Pero ahora imagina que acerco los postes, digamos a dos pies de distancia. Ahora el reto es más difícil, pero aún se puede hacer. Pero entonces muevo los postes para que la distancia entre ellos sea menor que el diámetro del frisbee. Aún podríamos hacerlo, lanzando el frisbee de forma vertical. Pero cuanto más restrinjamos el sistema, más difícil será meter el frisbee por el espacio.
Nuestro ejemplo de los postes y el frisbee es análogo al desajuste entre la naturaleza y las herramientas que utilizamos para medir la naturaleza. Los postes son los fenómenos de la naturaleza, y nuestro intento de meter el frisbee entre los postes es nuestra medición. Cuanto más restrinjamos artificialmente los fenómenos a través del reduccionismo (mover los postes más cerca), menos reproducible podemos esperar que sea nuestra medición (meter el frisbee entre los postes sin tocarlos).
La ciencia reduccionista nos dice que gamifiquemos el mundo, aislándolo, controlándolo, restringiéndolo. Colocamos la naturaleza en laboratorios e inspeccionamos sus piezas, y luego esperamos que otros midan lo mismo. Es como mover los postes cada vez más cerca y esperar que mucha gente siempre lance el frisbee entre los postes. Claro, un individuo puede desarrollar la "habilidad" de reproducir un buen lanzamiento, pero conseguir que mucha gente lo haga es poco probable.
Los humanos no están hechos para trabajar en entornos confinados. Los humanos, como una de las soluciones de la naturaleza, son muy flexibles. Operamos mejor en entornos complejos resolviendo problemas categóricamente difíciles. Tenemos muchas maneras de lanzar un frisbee, incluyendo de revés, de frente, de flick, de martillo, de pulgar, de mano superior, de rodillo, por encima, de empuje, etc. Esto se debe a que los humanos somos de alta dimensión, y estamos hechos para operar en entornos que son tan altos o más altos en dimensión que nosotros; para llenar el espacio de posibilidades con nuestras habilidades. Pero tan pronto como se crea un juego, estamos confinados a operar dentro de reglas restringidas. Cuanto más gamificado sea el entorno, más debemos restringir artificialmente nuestras habilidades naturales.
El reduccionismo gamifica la naturaleza. La exprime en espacios confinados y finge que es mucho más simple de lo que es. Al hacerlo, podemos salirnos con la nuestra haciendo mediciones precisas, porque ahora estamos actuando como si la propia naturaleza fuera precisa. Pero la naturaleza no es precisa. Claro, la física puede medir cosas como la constante gravitatoria, la velocidad de la luz y la constante de estructura fina con varios decimales, pero están desconectadas de cómo funciona la naturaleza. No tienen sentido por sí solas. No son más que piezas que se difuminan estadísticamente en las agregaciones mal definidas de la naturaleza. No son causales en ningún sentido significativo. La física es más reproducible sólo porque define la naturaleza de forma más artificial. Cualquier otra ciencia que siga su ejemplo se encontrará con problemas de reproducibilidad a medida que aumente la complejidad de sus fenómenos.
Intentar hacer una mejor ciencia, según las definiciones actuales de mejor, no ayudará a un estudio honesto de la naturaleza. Ninguna mejora en el diseño experimental, la coherencia en la metodología, el uso adecuado de la estadística, la mejor gestión de los datos, la calibración superior de los equipos o la reducción del sesgo humano puede solucionar el problema. Es el reduccionismo el que tiene la culpa, porque crea un desajuste entre lo que estamos estudiando y nuestra capacidad para medirlo.
La ciencia es una historia de creación de herramientas de medición que están restringidas, con el fin de hacer mediciones precisas. Pero esta restricción de nuestras herramientas no es diferente a forzar nuestro lanzamiento de frisbee a una forma antinatural de menor dimensión. La premisa oculta y defectuosa de que las piezas aisladas hablan de la estructura y el comportamiento agregados (es decir, el mundo real) es lo que ha permitido a la ciencia salirse con la suya con sus mediciones precisas. La física puede salirse con la suya porque está interesada principalmente en cosas no complejas para empezar. Pero no se puede decir lo mismo a medida que subimos la escalera de la complejidad. Se debe esperar que la química sea menos reproducible, la biología aún menos y las ciencias sociales extremadamente.
Mientras los investigadores actúen como físicos, estarán restringiendo demasiado la naturaleza para estar midiendo mucho de lo que tenga consecuencias, y mucho menos cosas reproducibles. Un científico del comportamiento que utiliza una máquina de resonancia magnética funcional para aislar alguna región del cerebro está cambiando su lanzamiento de frisbee a un tipo muy específico para pasarlo por los postes. Se puede hacer la medición, pero opera dentro de una versión gamificada de la naturaleza.
Y la mayoría de los científicos no entienden este punto. Lo sabemos porque el problema casi siempre se atribuye a un error en la técnica. Pero el problema no son las técnicas utilizadas, es la base gamificada sobre la que descansa la